1.

INTRODUCCIN
El fenmeno del cambio climtico genera muchas
inquietudes acerca del comportamiento de algunas variables; es por
esto que, variables hidrolgicas como las precipitaciones y los
caudales, muestran un papel fundamental en este aspecto, debido a
que son variables directamente influenciables por fenmenos de
amplio espectro temporal y espacial.
Por otra parte, para solucionar los problemas que implican
el diseo de obras y la planificacin hidrolgica, se debe recurrir al
estudio de la probabilidad, dado que dichos problemas se refieren a
eventos que se podran producir en el futuro, sin base en una
estimacin real, (Linsley et. al., 1988). Sin embargo no solamente se
debe estimar la magnitud del diseo, tambin se debe indicar la
probabilidad de excedencia, con el fin de dar un cierto grado de
seguridad a la obra, o bien el riesgo de falla, (Muoz, 2004). De esta
forma es necesario construir un modelo probabilstico, en donde se
debe contar con una funcin de distribucin de probabilidad (FDP),
que represente la variable hidrolgica de inters.
Las crecidas corresponden a fenmenos de concentracin.
Segn Ollero (1996), son procesos naturales, sin periodicidad,
constituidos por un incremento importante y repentino del caudal
en un sistema fluvial, el cual lleva consigo un ascenso del nivel de la
corriente, que puede desbordar el cauce menor para ocupar
progresivamente el cauce mayor, hasta alcanzar un mximo, o
caudal-punta y descender a continuacin. Segn Paoli et al. (1998),
las crecidas que se presentan en trminos hidrolgicos, poseen un
grado de riesgo y una probabilidad de excedencia diferente, segn el

caudal mximo, el volumen o la duracin que se considere. Como

consecuencia de ello las obras y medidas no estructurales que se
disponen, estarn sometidas a un nivel de riesgo diferente segn la
variable utilizada, para determinar valores de diseo
correspondientes a un determinado perodo de retorno.
En este marco, el presente documento tcnico basado en los
contenidos del segundo curso del proyecto FONDEF D08I1054, tiene
como fin realizar un aporte al conocimiento de las funciones de
distribucin de probabilidad que mejor ajustan al comportamiento
de eventos extremos y en particular de la variable caudales mximos
instantneos (caudales punta), a travs de un ejemplo prctico, en
donde se utilizarn las 4 funciones ms utilizadas en estudios de
variables hidrolgicas, a saber Gumbel, Goodrich, Log-Normal y
Pearson Tipo III, adicionalmente y a travs de pruebas de bondad de
ajuste como son el el coeficiente de determinacin R cuadrado y el
test de Kolmogorov Smirnov, se podr realizar un anlisis
comparativo y una proyeccin de posibles eventos extremos
asociados a diferentes perodos de retorno de los caudales punta,
obtenidos de la informacin fluviomtrica proporcionada por la
Direccin General de Aguas.

2. FUNCIONES DE DISTRIBUCIN DE PROBABILIDAD (FDP)

2.1 Definicin de las FDP
Segn Chow et al. (1994), al conjunto de observaciones x1, x2, . .
. , xn, de la variable aleatoria, se denomina muestra. Una muestra es
sacada de una poblacin hipotticamente infinita, que posee
propiedades estadsticas constantes. Las propiedades de una
muestra pueden cambiar de una muestra a otra y, el conjunto de
todas las muestras posibles que puede extraerse de una poblacin,
se conoce como espacio muestral, en donde un evento es un
subconjunto muestral. Si las observaciones de una muestra estn
idnticamente distribuidas, stas pueden ordenarse para formar un
histograma de frecuencia. Ahora bien, si el nmero de
observaciones ni, en el intervalo i que cubre un cierto rango, se
divide por el nmero total de observaciones n, el resultado se
conoce como frecuencia relativa. Asimismo, la suma de los valores
de la frecuencia relativa hasta un punto dado, es la funcin de
frecuencia acumulada, y en su lmite, cuando n y 0, se
denomina funcin de distribucin de probabilidad (F.D.P.). De igual
forma, la derivada o incremento finito de la F.D.P., se conoce como
funcin de densidad de probabilidad (f.d.p.).

3.3.- Formas de Determinar la Probabilidad

Pizarro y Novoa (1986), afirman que para conseguir definir la

probabilidad implcita es preciso consignar dos conceptos previos,
que son el perodo de retorno y la probabilidad de excedencia.
Perodo de retorno: Se define como el tiempo que
transcurre entre dos sucesos iguales. Sea ese tiempo T.
Probabilidad de excedencia: Es la probabilidad asociada al
perodo de retorno.
P (x>X) = 1
T

En otras palabras la probabilidad de que la variable aleatoria

tome un valor igual o inferior a cierto nmero X, est dada por la
funcin de distribucin de probabilidad F(X).

considerando que

F ( x)

1
P( x X ) 1 F ( X ) 1 f ( x)dx
T

De esta forma es importante definir las Funciones de

Distribucin de Probabilidad que mejor se ajustan al
comportamiento de las variables hidrolgicas, donde no se
considerar para este ejemplo la funcin Normal, la cul si bien es
el modelo ms utilizado y con mayor importancia en el campo de la
estadstica, su uso es muy limitado en hidrologa, dado que las
variables raramente se comportan de esta forma (Varas y Bois,
1998).
Por otra parte existen otros modelos que representan de mejor
forma el comportamiento de variables hidrolgicas, un ejemplo de
esto es la Ley de Distribucin de Gumbel la cul ha demostrado
poseer una adecuada capacidad de ajuste, a valores mximos de
caudales, (Pizarro y Nova 1986). As mismo y segn Aparicio 1997,
la funcin de distribucin de probabilidad de Gumbel se comporta
de la siguiente forma:

f ( x)dx P( x X ) 1 T

Distribucin Gumbel:

P( x X ) F ( x) ee

Luego, la probabilidad de que x sea mayor que X, viene a

estar dada por la funcin complementaria.

d ( x )

(Ecuacin 1)

Donde:
: Representa el valor a asumir por la variable aleatoria

En tanto los parmetros se determinan a partir del siguiente

sistema de ecuaciones:

e: Constante de Neper.
y d: Parmetros

Los parmetros de la distribucin de una muestra de

tamao infinito, tienden a los siguientes valores, en base a la media
aritmtica y la desviacin estndar de la muestra:

m3
P p ;
s3
1
a 2 p 2 2 p 1 2 p 1 ;
s
X1 x

1
0,779696 * S

x 0,450047 * S

( p 1)
ap

Donde:
m3 : Momento central de orden tres,

Otra FDP conocida en hidrologa es la funcin de

Distribucin de Goodrich, la que posee la cualidad de eliminar
valores extremos, es decir aquellos cuya probabilidad de ocurrencia
es muy pequea. Por lo mismo, consigue suprimir las distorsiones
que pueda provocar un slo valor anmalo. Posee la siguiente
funcin de distribucin de probabilidad (Pizarro et. al., 1993).

( xi x )3

i 1

m3

S : Desviacin tpica al cubo.

P(p): Funcin auxiliar de Goodrich.
S2 : Varianza muestral.
: Funcin Gamma.
x : Media muestral.
e : Constante de Neper
Finalmente, despejando la variable aleatoria x de la funcin
de distribucin de probabilidad de Goodrich, se obtiene lo siguiente:

Distribucin de Goodrich:

P( x X ) F ( X ) 1 ea( xx1 )

1/ p

Para X1< X

(Ecuacin 2)

x x1

1
ln(1 F ( X ))P
p
a

Una tercera FDP importante de considerar importante es la

Distribucin Log-Normal, la cul tiene la desventaja sobre la
distribucin normal de que est limitada a (X>0) y tambin que la
transformacin Log tiende a reducir la asimetra positiva
comnmente encontrada en la informacin hidrolgica, debido a
que al tomar los logaritmos, se reduce una proporcin mayor de los
nmeros grandes en relacin a los pequeos (Chow et. al. 1994).
Presenta la siguiente funcin de distribucin de probabilidad:

n (ln xi a) 2 2

n
i 1

Donde:
: Representa el valor a asumir por la variable aleatoria
, : Parmetros
e: Constante de Neper
En el mismo caso que la distribucin normal, se asigna z como una
variable estandarizada:

ln x a

Distribucin Log-Normal:

F ( x)

1
e
2x 0

1 ln x a

Y la probabilidad se encuentra en la tabla Normal, donde el

valor de la variable x es:

dx
(Ecuacin 3)

Donde los parmetros existentes que se basan en los

logaritmos de la variable aleatoria, estn definidos de la siguiente
forma:
n

a
i 1

ln xi
n

x e *z a

(Ecuacin 3 modificada)

La ltima Funcin a estudiar es la Distribucin Pearson Tipo

III, la cul se aplic por primera vez en la hidrologa por Foster
(1924), para poder describir la probabilidad de caudales mximos
anuales. Cuando la informacin es muy asimtrica positivamente, se
utiliza una transformacin Log para reducir su asimetra, la cual se
presenta de la siguiente forma (Chow et. al., 1994):

Asimismo la variable estandarizada y se presenta a continuacin:

Distribucin Pearson Tipo III:

F ( x)

1
e
0

dx
(Ecuacin 4)

Donde los parmetros de la distribucin pueden ser

estimados en funcin del promedio ( x ) y desviacin estndar (S) de
la muestra, por medio de las siguientes expresiones:

( xi x) 3 / n

S3
i 1
e : Constante de Neper
, y : parmetros
S: Desviacin tpica
x : media aritmtica

Posteriormente, el ajuste, se realiza a travs de la tabla chicuadrado, donde:

x2 2y
2
Por lo tanto, el valor que asume la variable aleatoria x a partir de lo
anteriormente sealado, se define como:

x ya (Ecuacin 4 modificada)
Y la probabilidad es obtenida a travs de los valores
presentes en la tabla de percentiles de la distribucin x2, con n
grados de libertad.

Donde:
n

, : Coeficiente de sesgo

Los resultados del estudio de Kroll y Vogel (2002, en 1505

estaciones de Estados Unidos, determinan que la funcin de
Pearson Tipo III, es la que mejor representa a las series de caudales
mnimos intermitentes, donde se presentan descargas con valores
cero.

Al contar con los ajustes necesarios de estas 4 FDP se desea

representar en este trabajo cul es la que mejor representa la
tendencia y comportamiento de los caudales punta, para esto se
presenta la siguiente metodologa de trabajo:
3. METODOLOGA
El ejemplo a considerar contempla la estacin Ro Maipo en
El Manzano (Latitud Sur: 3335; Longitud Oeste: 7022), ubicada
en la Regin Metropolitana y para ejemplificar se considerar un
perodo de registro que est comprendido entre los aos 1993
2007 (15 datos anuales de caudales mximos instantneos).

3.1. Tratamiento inicial de la informacin y clculo de Estadgrafos

Para cada serie de datos, se determinaron por una parte, los
estadgrafos de posicin, tambin llamados de tendencia central,
para indicar alrededor de qu valor se agruparon los datos
obtenidos, como es el caso de la media, y por otra parte, los
estadgrafos de dispersin. Estos estadgrafos o estadsticos, extraen
informacin de una muestra, indicando las caractersticas de la
poblacin:

Media : Es el valor esperado de la variable misma o primer

momento respecto al origen. Muestra la tendencia central
de la distribucin y su valor estimado a partir de la muestra
es:

1 n
x n xi
n i 1

Desviacin Estndar: Es una medida de la variabilidad, ya

que es la raz cuadrada, de los cuadrados de las diferencias
y, su valor estimado, se denota como:

Figura 1: Estacin Fluviomtrica

1 n
( x x) 2

n 1 i 1

En la siguiente tabla se entrega la informacin fluviomtrica de

la estacin a trabajar y los estadgrafos media y desviacin estndar
necesarias para comenzar a ajustar las funciones:
Tabla N1: Informacin de Caudales Punta Estacin Rio Maipo
en El Manzano, vlida para el clculo de las FDP.
N orden

Ao

1993

Caudal
Maximo
1112,40

1994

403,60

1995

333,080

1996

134,840

1997

596,80

1998

166,909

1999

226,296

2000

571,723

2001

678,425

10

2002

558,946

11

2003

219,012

12

2004

200,612

13

2005

711,504

14

2006

471,720

15

2007

90,993

promedio
desvest

431,79
279,39

Orden
Creciente

90,99
134,84
166,91
200,61
219,01
226,30
333,08
403,60
471,72
558,95
571,72
596,80
678,43
711,50
1112,40

3.2. Clculo de la FDP de Gumbel

Posteriormente, con el resultado de los estadsticos media y
desviacin estndar, se procede a ajustar las series anuales de
caudales mximos anteriormente presentados. Para esto es preciso
determinar los parmetros de la primera funcin considerada,
(Gumbel). Como antecedente, este ejemplo puede ser acotado para
otras variables hidrolgicas de igual forma, como por ejemplo son
las precipitaciones mximas.
Determinacin de parmetros y d:

d
S

1
0,779696 * S

x 0,450047 * S

= desviacin estndar de la muestra

= media de la muestra.
Tabla N2: Parmetros Gumbel
D
0,004590323

306,0642297

Una vez determinados los parmetros de Gumbel, se debe

ajustar la FDP para esto, primero se debe ordenar la variable
aleatoria en forma creciente, posteriormente se debe determinar la
frecuencia observada acumulada Fn(x) y la frecuencia terica
acumulada F(x). Las frecuencias observadas se calculan ordenando
en forma ascendente la siguiente expresin de Weibull:

Para finalizar con el ajuste, se debe comprobar la calidad del

ajuste, para esto se contrastaran 2 pruebas el Test de KolmogorovSmirnov (test K-S) y el Coeficiente de Determinacin (R2).
El primero se calcula mediante la obtencin del supremo de
las diferencias (ver tabla 3), que consiste en determinar el valor
absoluto de la mxima diferencia entre las frecuencias observadas y
acumuladas. Esta diferencia se denomina por la letra Dc y su
expresin es la siguiente:

(Ecuacin 5)
Donde:
Fn(X)
n
N

= Frecuencia Observada Acumulada.

= Nmero del dato n.
= Nmero total de datos.

Por su parte, la frecuencia terica acumulada de la funcin

de Gumbel se obtiene a travs de la siguiente expresin, donde se
consideran los parmetros y la variable ordenada que corresponda
para los 15 datos ejemplificados:

F ( X ) e e

0,004590323 ( x 306,0642297 )

(Ecuacin 6)
Donde:
Dc
= Supremo de las Diferencias.
Fn(X)i = Frecuencia Observada Acumulada.
F(X)i = Frecuencia Terica Acumulada.

Una vez obtenido el supremo de las diferencias, se compara

con el valor de la tabla Kolmogorov-Smirnov. Si el valor obtenido de
la tabla K-S (Dt), (Tabla Anexa N1) es mayor que el supremo de las
diferencias (Dc), se puede aceptar la hiptesis nula (Ho) que indicara
que se est en presencia de un buen ajuste con el nivel de confianza
asumido (Dt > Dc).

Por otra parte para calcular el Coeficiente de Determinacin

(R ) se debe considerar la ecuacin 7. Dicho Coeficiente es un
2

indicador que mide cul proporcin o porcentaje de la variacin

total de la variable dependiente, es explicada por el modelo de
regresin (Gujarati, 1992):

( F ( x) F ( x) )
1
( F ( x) F x )

N orden

Ao

Caudal

Orden

Frecuencia

Frecuencia Terica

Dc

Maximo

Creciente

Relativa Fn (X)

Gumbel F(X)

SUP

1993

1112,40

90,99

0,063

0,0683

0,006

1994

403,60

134,84

0,125

0,1114

0,014

1995

333,080

166,91

0,188

0,1504

0,037

1996

134,840

200,61

0,250

0,1974

0,053

1997

596,80

219,01

0,313

0,2251

0,087

1998

166,909

226,30

0,375

0,2364

0,139

1999

226,296

333,08

0,438

0,4134

0,024

2000

571,723

403,60

0,500

0,5278

0,028

2001

678,425

471,72

0,563

0,6266

0,064

10

2002

558,946

558,95

0,625

0,7311

0,106

11

2003

219,012

571,72

0,688

0,7442

0,057

12

2004

200,612

596,80

0,750

0,7685

0,019

13

2005

711,504

678,43

0,813

0,8344

0,022

14

2006

471,720

711,50

0,875

0,8560

0,019

15

2007

90,993

1112,40

0,938

0,9756

0,038

Ao

Dato

Orden

(Ecuacin 1)

(Ecuacin 6)

(Ecuacin 7)

Donde:
R2 : Coeficiente de determinacin; 0R21
Fn x i : Media de las frecuencias observadas acumuladas
Fn ( x) i : Frecuencia observada
F ( x)i : Frecuencia terica acumulada
A continuacin, se presenta en la Tabla N3 el clculo de la
frecuencia observada acumulada Fn(x), la frecuencia terica
acumulada F (x) y el Supremo de las diferencias que se explica con
posterioridad:

Tabla N3. Ejemplo para el ajuste de la FDP de Gumbel

(Ndatos)

As cendente

(Ecuacin 5)

Por otra parte, en la Tabla 4 se presentan los resultados de

las pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y
Coeficiente de Determinacin), para el ejemplo de la funcin de
Gumbel desarrollado.
Tabla N4. Resultados tests de bondad del ajuste Gumbel
Gumbel
FDP Ajustada
Gumbel

Dc
0,139

Dt
0,338

Ajuste K-S
Acepta Ho

R
0,951

Donde:
A
Dc
Dt
R2

=
=
=
=

Se acepta el ajuste.
Supremo de las diferencias.
Valor tabla K-S.
Coeficiente de determinacin.

Los resultados de esta tabla indican que el valor Dc=0,139, es

menor que el valor Dt=0,338, obtenido de la tabla K-S con un 95% de
confianza ( a = 0,05 con n = 15), con lo cual se cumple la condicin
de un buen ajuste K-S.
Por otra parte el Coeficiente de Determinacin R2 alcanza un
95,1%, lo que tambin indica un buen ajuste del modelo, por lo que
se puede indicar que la FDP Gumbel es una Distribucin que se
ajusta bien a los datos de caudales presentados en el ejemplo.

La forma de calcular el R2, para que quede mejor

ejemplificado y de acuerdo a la Tabla 3 es la siguiente:
15 (0,063 0,0683)2 (0,125 0,1114 )2

R2 1

........
2
2
(
0
,
063

0
,
5
)
(
0
,
125

0
,
5
)
1

Como ltimo punto relacionado con la FDP Gumbel y para

ejemplificar de mejor forma el ejercicio, es necesario conocer el
valor a asumir por la variable aleatoria (caudal, precipitacin etc.)
para cierto perodo de retorno asociado, de tal manera de poder
predecir posibles eventos futuros y poder tomar decisiones de
gestin. Para esto se pretende despejar dicha variable y calcular su
valor asociado a 10, 20 y 50 aos. El despeje se presenta a
continuacin:

F ( x) e e

d ( x )

Al despejar el valor de la variable aleatoria de la funcin

original, se obtiene lo siguiente:

x -

ln(-ln(F(x )))
d

Donde:
: Representa el valor a asumir por la variable aleatoria
e: Constante de Neper
y d: Parmetros

3.3. Clculo de la Probabilidad de Excedencia

x 306,065 -

En la Tabla N5, se entregan los valores de caudales

mximos asociados a los perodos de retorno nombrados
anteriormente, de acuerdo a los valores despejados de la variable x
y a los parmetros asociados. Para esto se debe considerar que la
probabilidad de excedencia: Es la probabilidad asociada al perodo
de retorno, y viene dada por la siguiente expresin:
.
P (x>X) = 1
En otras palabras la probabilidad de que la variable aleatoria
tome un valor igual o inferior a cierto nmero X, est dada por la
funcin de distribucin de probabilidad F(X).

1
T

Por ejemplo para un perodo de retorno (T) de 30 aos:

F ( x) 1

Lo que indicara que considerando dicha serie de datos y un

perodo de retorno de 30 aos, el valor del caudal punta podra
adquirir un valor igual o inferior a:
1039

m3
s

Por lo tanto considerando los perodos de retorno 10, 20 y

50 aos para el ejercicio se presenta la siguiente tabla de resultados:

F ( x) P( x X ) 1

ln(-ln(F(0 ,966)))
1039
0,00459

1
0,96
30

El valor de la variable aleatoria asumiendo ese perodo

debiera ser:

Tabla N5: Probabilidad de Caudales Mximos para los Distintos

Perodos de Retorno segn Gumbel.
Perodo de
retorno
10
20
50

Probabilidad

Probabilidad

de excedencia de no excedencia
0,100
0,900
0,050
0,950
0,020
0,980

Gumbel
796
953
1156

De esta forma se ha trabajado con la FDP Gumbel, por lo

tanto se procede a realizar todo el ejercicio, desde la obtencin de
parmetros, los ajustes, la comprobacin de la calidad del ajuste y el
valor estimado de la variable asociada a diversos perodos de
retorno, para las 3 FDP restantes:

Para poder realizar los ajustes respectivos de la FDP

Goodrich:

3.4. Clculo de la FDP de Goodrich

Con la serie de datos original pertenecientes a la Tabla N1, la
cual se presenta a continuacin se procede a calcular los parmetros
de esta FDP.
Tabla N1: Informacin de Caudales Punta Estacin Rio Maipo
en El Manzano, vlida para el clculo de las FDP.
N orden

Ao

1993

Caudal
Maximo
1112,40

1994

403,60

1995

333,080

1996

134,840

1997

596,80

1998

166,909

1999

226,296

2000

571,723

2001

678,425

10

2002

558,946

11

2003

219,012

12

2004

200,612

13

2005

711,504

14

2006

471,720

2007

90,993

15

promedio
desvest

431,79
279,39

Orden
Creciente

90,99
134,84
166,91
200,61
219,01
226,30
333,08
403,60
471,72
558,95
571,72
596,80
678,43
711,50
1112,40

F ( X ) 1 e a( xx1 )

1/ p

Es necesario contar con los parmetros p , a y X 1 , de los

cules su forma de obtener se detalla a continuacin:

m3
P p
s3
a2p

1
2 p 1 2 p 1
2
s

X1 x

( p 1)
ap

S3 : Desviacin tpica al cubo.

P(p): Funcin auxiliar de Goodrich.
S2 : Varianza muestral.
: Funcin Gamma.
x : Media muestral.
Para obtener p , primero es necesario conocer m 3
(momento de orden tres), el cual se define como la sumatoria de los
desvos de la serie de datos, con respecto a su respectiva media,
elevado al cubo y cuya sumatoria se divide por el nmero total de
datos:

El segundo parmetro a calcular es a , el cual se obtiene de:

n

m3

( xi x )3

i 1

Para este ejemplo dicha sumatoria se debe calcular de la

siguiente forma:

a2p

1
2 p 1 2 p 1
2
s

Para esto se debe consideran S2, que corresponde a la

Varianza muestral y (Funcin Gamma), esta ltima se obtiene
teniendo presente lo siguiente:

(90,99 431,79) 3 (134,84 431,79) 3

( p ) = ( p 1)!
m3

.....
( p +1) = p!= p ( p )
15
15
i 1
15

( p 1) = ( p 2) ( p 2)

3
3
Es necesario obtener P p , para esto m se divide por S
(Desviacin estndar a cubo):

m3
P p
s3
Con el valor de P( p) se obtiene en la Tabla denominada
Valores de la Funcin P( p) Auxiliar de Goodrich que se presenta al
final de este documento, y corresponde a la Tabla Anexa N2, se
obtiene p , interpretado por el valor P( p) ubicado en la derecha de
la Tabla.
Para el caso del ejercicio el valor obtenido es necesario
interpolarlo ya que los valores de P( p) se encuentran entre
0,737553 y 0,764037.

Se utiliza la tabla de valores de la funcin Gamma, que

tambin se encuentra al final del captulo, en este caso es la la Tabla
Anexa N3, donde se debe entrar por la parte izquierda, y ubicando
el segundo decimal, se determina la fila y columna que expresa el
valor a asumir por la funcin.
Por lo tanto, en algunas ocasiones no ser posible aplicar
directamente la tabla, por lo cual se debe hacer una transformacin,
la que en trminos generales puede plantearse como:

( p + m) = ( p + m 1)( p + m 2)( p + m 3)............( p + m n)r( p)

con 1 p 1.99

Un ejemplo para aclarar cmo se obtienen los valores

2 p 1 2 p 1 , que es la parte ms compleja dentro de la
expresin, es el siguiente:

A continuacin se presentan los parmetros a , p y X 1 .

Tabla N 6: Parmetros Goodrich

p
a

Si p 0,6 :
Para p 1 1,6 entonces al buscar en la tabla de valores

de la funcin Gamma ( ) de 1,6, se obtiene p 1 0,894 , por

lo tanto 2 p 1 0,894

0,799 .

Y para este caso 2 p 1 2,2 entonces como el valor de

2,2 no se encuentra en la tabla se procede a descomponer de esta
forma: 2,2 (1,2 1 1) * (1,2) 1,2 * 0,918 1,1016
Por lo tanto para despejar a la ecuacin final queda de la
siguiente forma:

X1

0,5448855
0,0000092
-62,039074

De acuerdo a la ecuacin 2, y considerando los parmetros

calculados recientemente la frecuencia Terica queda expresada de
la siguiente forma:

F(X ) 1 e

0.00000092( x 62, 039074 )1 / 0 , 5448855

La frecuencia relativa se obtiene de igual forma que en el

ejercicio anterior, considerando:

1
2p
a 2 2 p 1 2 p 1
s

(Ecuacin 5)
Como ltimo punto para despejar X 1 solo se debe
considerar los valores ya obtenidos anteriormente e incluir x :
Media muestral del total de los datos.

X1 x

( p 1)
ap

Donde:
Fn(X)
n
N

= Frecuencia Observada Acumulada.

= Nmero del dato n.
= Nmero total de datos
A continuacin, en la Tabla 7 se ejemplifica el clculo de la
frecuencia observada acumulada Fn(x), frecuencia terica

acumulada F(x), y el Supremo de las diferencias Dc, tal como en el

ejemplo anterior.
Tabla N7. Ejemplo para el ajuste de la FDP de Goodrich
N orden

Ao

Caudal

Orden

1993

2
3

Maximo

Creciente

Relativa Fn (X)

Goodrich F(X)

SUP

1112,40

90,99

0,063

0,0894

0,027

1994

403,60

134,84

0,125

0,1382

0,013

1995

333,080

166,91

0,188

0,1781

0,009

1996

134,840

200,61

0,250

0,2231

0,027

1997

596,80

219,01

0,313

0,2486

0,064

1998

166,909

226,30

0,375

0,2588

0,116

1999

226,296

333,08

0,438

0,4138

0,024

2000

571,723

403,60

0,500

0,5142

0,014

2001

678,425

471,72

0,563

0,6044

0,042

10

2002

558,946

558,95

0,625

0,7061

0,081

11

2003

219,012

571,72

0,688

0,7195

0,032

12

2004

200,612

596,80

0,750

0,7446

0,005

13

2005

711,504

678,43

0,813

0,8157

0,003

14

2006

471,720

711,50

0,875

0,8400

0,035

15

2007

90,993

1112,40

0,938

0,9806

0,043

Ao

Dato

Orden

(Ecuacin 2)

(Ecuacin 6)

(Ndatos)

Ascendente

Frecuencia Frecuencia Terica

(Ecuacin 5)

Dc

En la Tabla 8 se presentan los resultados de las pruebas de

bondad del ajust (Test Kolmogorov-Smirnov y Coeficiente de
Determinacin). Los cuales se obtienen de las ecuaciones 7 y 8.
Para la calidad del ajuste en la tabla 8 se observa el test de
Kolmogorov-Smirnov (test K-S) donde debe ser comparado el Dc
mximo con el Dt igual como en el ejemplo de Gumbel a travs de
las ecuacin 6, esto se realiza al nivel de confianza del 95% y con un
n observado de 15 datos.
Por otra parte, para conocer el porcentaje de los datos
observados que son explicados por el modelo en este caso el
Coeficiente de Determinacin (R2) se utiliza la ecuacin 7, de igual
forma que el ejercicio anterior.
Tabla 8. Resultados tests de bondad del ajuste Goodrich
FDP Ajustada
Goodrich

Dc
0,116

Dt
0,338

Ajuste K-S
Acepta Ho

R2
0,97

Los valores obtenidos de K-S muestran un Dc=0,116, menor

que el valor Dt=0,338, aceptndose la Hiptesis Nula de un buen
ajuste. Para el caso del Coeficiente de Determinacin R2 se presenta
un 97%, lo que tambin indica un buen ajuste del modelo. Por lo
que el ajuste de Goodrich es ptimo al igual que el caso de Gumbel.
Los valores mencionados anteriormente se presentan a
continuacin:

3.5. Clculo de la Probabilidad de Excedencia

Por otra parte para conocer el valor asumido por la variable
aleatoria asociado a los perodos de retorno estudiados 10, 20 y 50
aos, se realiza el despeje de la siguiente FDP:

F ( X ) 1 e a( xx1 )

1/ p

Finalmente, despejando la variable aleatoria x de la funcin

de distribucin de probabilidad de Goodrich, se obtiene lo siguiente:

1
P
x x1 p ln(1 F ( X ))
a
Donde:
: Representa el valor a asumir por la variable aleatoria.
p , a y X 1 : Parmetros obtenidos anteriormente.
F(X): Probabilidad de no excedencia asociada al perodo de retorno:

1
F ( x) P( x X ) 1
T

Se procede a entregar la Tabla N9, con los valores de

caudales mximos asociados a los perodos de retorno, de acuerdo
al despeje de la variable x, junto con los parmetros asociados a la
funcin de Goodrich.
Tabla N 9: Probabilidad de Caudales Mximos para los Distintos
Perodos de Retorno segn Goodrich.
Perodo de
retorno
10
20
50

Probabilidad
de excedencia
0,100
0,050
0,020

Probabilidad
de no excedencia
0,900
0,950
0,980

Goodrich
812
947
1105

Estos valores son obtenidos del despeje anterior y se

asocian a los perodos de retorno nombrados. Como referencia se
puede considerar el ejemplo de Gumbel, donde se muestra como al
despejar la variable aleatoria con la probabilidad asociada se puede
estimar dichos valores de caudales para el futuro.
A continuacin se presentan los resultados de la tercera
Funcin considerada Log-Normal:

3.6. Clculo de la FDP Log-Normal

,
En primera instancia se presenta nuevamente la Tabla 1, la
cual conserva los estadgrafos media y desviacin estndar por ser la
base con los mismos 15 datos para el ejercicio, los cules son
considerados para calcular los nuevos parmetros.
Tabla N1: Informacin de Caudales Punta Estacin Rio Maipo
en El Manzano, vlida para el clculo de las FDP.
N orden

Ao

1993

Caudal
Maximo
1112,40

1994

403,60

1995

333,080

1996

134,840

1997

596,80

1998

166,909

1999

226,296

2000

571,723

2001

678,425

10

2002

558,946

11

2003

219,012

12

2004

200,612

13

2005

711,504

14

2006

471,720

2007

90,993

15

promedio
desvest

431,79
279,39

Orden
Creciente

90,99
134,84
166,91
200,61
219,01
226,30
333,08
403,60
471,72
558,95
571,72
596,80
678,43
711,50
1112,40

A continuacin se presenta
correspondiente a la ecuacin 3:

la

1 ln x a

FDP

1
2
F ( x)
e

2x 0
x

Log-Normal

dx

Los parmetros necesarios para este caso son los que se

basan en los logaritmos de la variable aleatoria, los cuales son los
siguientes:
n

a
i 1

ln xi
n

Para el caso de a cada valor de la variable ordenada se le

calcula el ln de cada dato, se sumay se divide por el n de datos que
es en este caso 15, por lo tanto el ejercicio partira de la siguiente
forma:

15

a .....
i 1

ln 90,99 ln 134,84

.......
15
15

El segundo parmetro de esta FDP es :

De acuerdo a la ecuacin 3, considerando los parmetros

obtenidos la F(X) es la siguiente:
1

n (ln xi a) 2 2

n
i 1

El clculo se realiza de forma similar pero esta vez se

considera la diferencia los cuadrados de los ln y a (obtenido
anteriormente) dividida por n (15), en sumatoria, al final a todo este
valor se le aplica raz o se eleva a .

Tabla N 10: Parmetros Log-Normal

5,852
0,689

dx

ln x a

Para este caso incluyendo los parmetros de la funcin se

obtiene lo siguiente:

z
A continuacin se presentan los valores obtenidos de los
parmetros a y en el ejemplo de la FDP Log-Normal.

Pero de acuerdo a la complejidad de la funcin que

considera una integral se debe estandarizar la expresin quedando
expresada de la siguiente forma:

Por ejemplo si a = 4,5 en este caso el clculo sera de la

siguiente forma:

ln 90,99 4,5 ln 134,84 4,5

2

.......
15
15

1 ln x 5,852

0, 689

1
2
F ( x)
e

2x0,689 0

ln x 5,852
0,689

Donde el clculo de la frecuencia terica F(X), se obtiene del

valor z, el cual se busca en la tabla normal estndar (Tabla Anexa
N4). Si el z es positivo la Frecuencia Terica es el valor directo que
se entrega en dicha tabla, pero si z es negativo el valor F(X) a asumir
es 1 el valor de z, pero dicho z debe ir en valor absoluto. Un
ejemplo de lo anterior es lo siguiente:

Si z = -1,95, entonces F(X) = 1 z(1,95), donde z(1,95)

=.0,9744, por lo tanto F(X) = 1- 0,9744 = 0,0256.
Por otra parte la frecuencia relativa se obtiene de igual
forma que en los ejercicios anteriores, considerando:

(Ecuacin 5)
Donde:
Fn(X)
n
N

= Frecuencia Observada Acumulada.

= Nmero del dato n.
= Nmero total de datos.

A continuacin, en la Tabla N11 se presenta el clculo de la

frecuencia observada acumulada Fn(x), la frecuencia terica el Dc
con el supremo de dichas diferencias, para la Funcin Log-Normal,
de igual forma como los ejercicios anteriores.

Tabla N11. Ejemplo para el ajuste de la FDP Log-Normal

N Orden

Ao

Caudal

Orden

1993

Maximo

Creciente

1112,40

90,99

0,063

0,0256

0,037

1994

403,60

134,84

0,125

0,0853

0,040

1995

333,080

166,91

0,188

0,1423

0,045

1996

134,840

200,61

0,250

0,2119

0,038

1997

596,80

219,01

0,313

0,2514

0,061

1998

166,909

226,30

0,375

0,2676

0,107

1999

226,296

333,08

0,438

0,4761

0,039

2000

571,723

403,60

0,500

0,5871

0,087

2001

678,425

471,72

0,563

0,6700

0,108

10

2002

558,946

558,95

0,625

0,7549

0,130

11

2003

219,012

571,72

0,688

0,7642

0,077

12

2004

200,612

596,80

0,750

0,7823

0,032

13

2005

711,504

678,43

0,813

0,8340

0,022

14

2006

471,720

711,50

0,875

0,8508

0,024

15

2007

90,993

1112,40

0,938

0,9545

0,017

Ao

Dato

Orden

(Ecuacin 3

(Ecuacin 6)

(ndatos)

Ascendente

Frecuencia Frecuencia Terica

Relativa Fn (X) Log-Normal F(X)

(Ecuacin 5)

estandarizada)

Dc
SUP

Posteriormente la Tabla 12 presenta los resultados de las

pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y
Coeficiente de Determinacin). Estos se calculan de la misma forma
que en los ejercicios anteriores considerando las ecuaciones 7 y 8, a
partir de los datos obtenidos de la Tabla 11.
Tabla 12. Resultados tests de Bondad de Ajuste Log-Normal
FDP Ajustada
Log-Normal

Dc
0,130

Dt
0,338

Ajuste K-S
Acepta Ho

R2
0,938

En la comparacin del test de Kolmogorov-Smirnov (Test KS) el Dc mximo con el Dt al nivel de confianza del 95% y con un n
observado de 15 datos para el caso de Log-Normal se obtiene lo
siguiente: Dc = 0,116 es menor que el Dt = 0,338, por lo que el ajuste
es aceptable.
Por otra parte el porcentaje de los datos observados
explicados por el modelo a travs del Coeficiente de Determinacin
(R2) entregan un 93,8%, lo que es un valor alto y aceptable tambin.
Para conocer el valor asumido por la variable aleatoria
asociado a los 3 perodos de retorno estudiados es necesario
conocer el despeje de la variable aleatoria x, la cul de acuerdo a la
complejidad de la Funcin original esta se realiza de la
estandarizacin de z, obtenindose la siguiente frmula:

x e *z a

(Despeje de X en la Ecuacin 3 estandarizada)

Donde:

, a = Parmetros obtenidos

e = Constante de neper
Y donde Z = es el valor que se obtiene de la Tabla Anexa N4,
el cual se aproximo para este ejercicio, en este caso se ingresa con
una probabilidad y se obtiene Z, por ejemplo:
Si se considera un

1
F ( x) 1
0,96 perodo de retorno T = 30
aos, entonces:
30

Por lo tanto al ingresar a la tabla Z, con una probabilidad de

0,96 se asume un Z = 0,9608 se obtiene un valor de Z aproximado de
1,76.
Entonces con todos estos valores se despeja la variable
aleatoria, la cual se presenta a continuacin.

3.7. Clculo de la Probabilidad de Excedencia

3.8. Clculo de la FDP Pearson Tipo III

Con la expresin anterior se procede a entregar la tabla

N13, que incluyen los valores de caudales mximos asociados a los
perodos de retorno para la FDP Log-Normal, de acuerdo al despeje
de la variable x.

Para ejemplificar de forma ms clara la obtencin de los

parmetros de esta FDP, es necesario nuevamente considerar la
Tabla 1, que representa la base original de la informacin.

Tabla N 13: Probabilidad de Caudales Mximos para los Distintos

Perodos de Retorno segn Log-Normal.
Perodo de
Retorno
10
20
50

Probabilidad
de excedencia
0,100
0,050
0,020

Probabilidad
de no excedencia
0,900
0,950
0,980

LogNormal
846
1085
1439

Estos valores se asocian a los perodos de retorno

considerados de acuerdo a la cantidad de datos y al ajuste obtenido
a travs de Log-Normal

Finalmente se presentan los resultados de acuerdo a la FDP

Pearson Tipo III.

Tabla N1: Informacin de Caudales Punta Estacin Rio Maipo

en El Manzano, vlida para el clculo de las FDP.
N orden

Ao

1993

Caudal
Maximo
1112,40

1994

403,60

1995

333,080

1996

134,840

1997

596,80

1998

166,909

1999

226,296

2000

571,723

2001

678,425

10

2002

558,946

11

2003

219,012

12

2004

200,612

13

2005

711,504

14

2006

471,720

2007

90,993

15

promedio
desvest

431,79
279,39

Orden
Creciente

90,99
134,84
166,91
200,61
219,01
226,30
333,08
403,60
471,72
558,95
571,72
596,80
678,43
711,50
1112,40

Los parmetros necesarios para ajustar la distribucin

Pearson Tipo III, son , y , los cuales pueden ser estimados en
funcin del promedio ( x ) y desviacin estndar (S) de la muestra,

A continuacin se presentan los valores obtenidos de los

parmetros a y en el ejemplo de la FDP Log-Normal.

pero en primera instancia se requiere calcular del coeficiente de

sesgo , el cual presenta la siguiente frmula:
n

i 1

( xi x) / n
S3
3

Tabla N 14: Parmetros Pearson Tipo III

, : Coeficiente de sesgo

Por lo tanto a partir del coeficiente de sesgo , se pueden

calcular los restantes parmetros, ahora se ejemplifica la forma de
calcularlo de acuerdo a los datos que se tienen considerados:
(90,99 431,79) 3

15
15

279
,39 3
i 1

(134,84 431,79) 3

15
..

279,39 3

...... ...

Con el valor de se obtienen los parmetros a finales los

cuales se entregan en las siguientes expresiones:
2

104,841
7,102
-312,766

De acuerdo a la ecuacin 4, considerando los parmetros

obtenidos se obtiene la F(X) siguiente:
F ( x)

x 312, 766

312, 766

1
e

104,8417,102 0

x 312,766

dx
312,766

Para hacer menos compleja la FDP anterior se presenta

estandarizada de la siguiente forma:

2
x

, y : Parmetros directos de la funcin

S: Desviacin estndar
x : Media aritmtica

En este caso incluyendo los parmetros seria:

x 312,766
104,841

Posteriormente con los valores de y obtenidos de la

expresin anterior, se procede a calcular la frecuencia terica del
ajuste, la cual corresponde a x 2 , con grados de libertad,
obtenidas de la Tabla de percentiles, x 2p de la Distribucin ChiCuadrado (Tabla Anexa N5). De no encontrarse el valor exacto, se
aproxima al ms cercano, de lo contrario se procede a interpolar.

valor se obtiene que para X = 90,99 m3/s la frecuencia terica

acumulada es 0,096. De esta forma se construye completamente el
F(X) Pearson Tipo III.
Para el caso de la frecuencia observada o frecuencia relativa
se conserva la frmula:

x2 2y
2
Un ejemplo de cmo obtener dicha frecuencia terica
acumulada y considerando los datos originales es el siguiente:
Para X = 90,99 m3/s (primer dato de la serie ordenada),
entonces:

90,99 312,766
104,841

3,8511

Entonces el valor x 2 2 y 2 * (3,8511) 7,702

Ahora 2 2 * (7,102 ) 14,204 14
Por lo tanto se busca el valor en la Tabla anexa N5 de
x 7,702 y 14 grados de libertad, de lo que se obtiene que el
valor de probabilidad exacto se presenta entre 6,57 correspondiente
a un 0,05 y 7,79 correspondiente a 0,10, luego interpolando dicho
2

(Ecuacin 5)
Donde:
Fn(X)
n
N

= Frecuencia Observada Acumulada.

= Nmero del dato n.
= Nmero total de datos.

A continuacin, en la Tabla N15 se presentan los valores de

la frecuencia observada acumulada Fn(x), la frecuencia terica el Dc
con el supremo de dichas diferencias, tal como en el ejemplo
anterior:

Tabla N15. Ejemplo para el ajuste de la FDP Pearson Tipo III

N orden

Ao

Caudal
Maximo

Frecuencia terica

Dc

Creciente Relativa Fn (X) Pearson Tipo III F(X)

Orden

Frecuencia

SUP

1993

1112,40

90,99

0,063

0,0964

0,034

1994

403,60

134,84

0,125

0,1466

0,022

1995

333,080

166,91

0,188

0,1847

0,003

1996

134,840

200,61

0,250

0,2247

0,025

1997

596,80

219,01

0,313

0,2465

0,066

1998

166,909

226,30

0,375

0,2567

0,118

1999

226,296

333,08

0,438

0,4210

0,016

2000

571,723

403,60

0,500

0,5241

0,024

2001

678,425

471,72

0,563

0,6096

0,047

10

2002

558,946

558,95

0,625

0,7190

0,094

11

2003

219,012

571,72

0,688

0,7351

0,048

12

2004

200,612

596,80

0,750

0,7594

0,009

13

2005

711,504

678,43

0,813

0,8178

0,005

14

2006

471,720

711,50

0,875

0,8415

0,034

15

2007

90,993

1112,40

0,938

0,9804

0,043

Ao

Dato

Orden

(Ecuacin 4

(Ecuacin6)

(ndatos)

Ascendente

(Ecuacin 5)

modificada)

Posteriormente la Tabla 16 presenta los resultados de las

pruebas de bondad del ajuste (Test Kolmogorov-Smirnov y de R 2 ).
Para esto nuevamente se calculan las ecuaciones 7 y 8, a
partir de los datos obtenidos en este caso de la Tabla 11 y siguiendo
el primer ejemplo.
Tabla N16. Resultados tests de bondad del ajuste Pearson Tipo III
PearGoodrich
FDP Ajustada
Dc
Dt
Ajuste K-S
R2
Pearson Tipo III
0,118
0,338
Acepta Ho
0,965

Se comprueba la calidad del ajuste, con las ecuaciones 6 y 7

consideradas para las 2 pruebas ya utilizadas obtenindose para el
test de Kolmogorov-Smirnov (test K-S) un Dc = 0,118 menor el
mismo Dt = 0,338 obtenido para todos ejemplos realizados, por lo
que se acepta Ho.
Mientras que para el Coeficiente de Determinacin (R2) se
alcanza un 96,5 %, lo que referencialmente es bastante bueno
tambin. Los resultados se presentan a continuacin:

Para conocer el valor asumido por la variable aleatoria

asociado a los 3 perodos de retorno estudiados es necesario
conocer el despeje de X, la que tambin al ser una FDP compleja se
le realiza un despeje pero con los valores de y obtenidos de la

expresin x 2 asociada a la ecuacin presentada anteriormente la

cual representa a x de la siguiente forma:

x ya (Despeje de la Ecuacin 4 modificada)

Los valores de a, fueron los parmetros obtenidos
anteriormente, mientras que el caso de y se obtiene de la ecuacin:

x 2y
2

14 grados

Por ejemplo si se considera se considera un perodo de 40

De esta forma se obtienen los parmetros para poder

calcular el valor a asumir por la variable aleatoria que para la
probabilidad de excedencia se consideran los perodos de retorno
10, 20 y 50 aos al igual que en los ejercicios anteriores.

3.9. Clculo de la Probabilidad de Excedencia

Con la expresin anterior se procede a entregar la tabla
N17, que incluyen los valores de caudales mximos asociados a los
perodos de retorno para la FDP Pearson Tipo III, de acuerdo al
despeje de la variable x, segn la ecuacin anterior y considerando
las ecuaciones x 2 2 y , 2 .

aos:

F ( x) 1

1
0,75
40

A lo que le correspondera segn la Tabla Anexa N5:

x02,975 2 y 26,1

Asumiendo los 14 grados de libertad, por lo tanto el valor

de:

y 13,05

Tabla N 17: Probabilidad de Caudales Mximos para los Distintos

Perodos de Retorno segn Pearson Tipo III.
Perodo de
retorno
10
20
50

Probabilidad
de excedencia
0,100
0,050
0,020

Probabilidad
Pearson
de no excedencia Tipo III
0,900
793
0,950
930
0,980
1108

Para finalizar se presenta como cuadro resumen los Testsde

Bondad de Ajuste de las 4 FDP y se procede a elegir la que mejor
representa la tendencia de los datos considerados en el ejercicio:

Tabla N18: Resumen FDP y test de bondad de ajuste

FDP Ajustada

Dc

Dt

Gumbel
Goodrich
Log-Normal
Pearson Tipo III

0,139
0,116
0,13
0,118

0,338
0,338
0,338
0,338

Diferencia
entre Dt y Dc
0,1990
0,2220
0,2080
0,2200

REFERENCIAS BIBLIOGRFICAS

Ajuste K-S

R2

Acepta Ho
Acepta Ho
Acepta Ho
Acepta Ho

0,951
0,970
0,938
0,965

Por lo tanto la Funcin que entrega una diferencia mayor

entre el valor de tabla y el valor crtico supremo en la prueba K-S, es
Goodrich, lo que estara indicando una leve inclinacin a un mejor
ajuste de los datos presentados, sobre todo si tambin se presenta
el mayor R2 de las 4 Funciones.
Estos resultados demuestra lo que algunos estudios indican
como por ejemplo Blazkova y Beven (2003), determinan la
probabilidad de excedencia asociada para los caudales a travs de
Goodrich, encontrando mayor claridad para la evaluacin del grado
de seguridad en el funcionamiento de obras para mitigar eventos
extremos. Sin embargo otros autores siguen proponiendo el uso de
las 4 funciones para ajustar valores extremos, dado que va a
depender del espacio geogrfico donde se est estimando, la
variabilidad, la cantidad de datos con que se cuente, entre otros.

Aguilera, M.A. 2007. Anlisis de las funciones de distribucin de

probabilidad para caudales mximos en la Regin del Maule. Talca,
Chile. Universidad de Talca, Facultad de Ciencias Forestales. 86 p.
Aparicio, F. 1997. Fundamentos de Hidrologa de Superficie. 11 ed.
Mxico. Editorial Limusa S.A. 303 p.
Ashakar, F.; T.B.M.J Ouarda, R. Roy and B. Bobe. 1993. Robust
estimators in hydrologic frequency analysis, in Engineering
Hydrology. Edited by C.Y, Am. Soc. Civ. Eng. 347-352 p.
Blazkova, S.; Beven, K.; 2003. Flood frequency estimation by
continuos simulation of subcatchment rainfalls and discharges with
the aim improving dam safety assessment in a large basin in the
Czech Republic. Journal of hydrology. 294 (1-4) 153-172. Consultado
03 Junio 2008. Disponible en base de datos Science Direct.
Casassa, G.; Echelmeyer, K.; Neumman, T.; Raymond, Ch.; Rignot, E.;
Rivera, A. 2005. Reatreat of Glaciar Tyndall, Patagonia, over the last
half-century. Journal of Glaciology. 51 (1) 239-247. Consultado 28
Jul.
2008.
Disponible
en
http://www.glaciologia.cl/textos/raymd.pdf
Chavarri, E. 2004. Curso IA-4026, Hidrologa Aplicada. (en lnea).
Consultado
19
nov.
2007.
Disponible
en
http://tarwi.lamolina.edu.pe/ ~echavarri/echv_7.html
Chow, V.; Maidment, D.; Mays, L. 1994. Hidrologa aplicada.
Colombia. Editorial McGraw-Hill. Interamericana S.A. 584 p.

Combes, S.; Prentice, M.; Hansen, L.; Rosentrater, L. 2002. Climate

change and global glacier decline. (en lnea). Consultado 06
diciembre
2007.
Disponible
en:
http://www.wwf.fi/wwf/www/uploads/pdf/glaciersraportti.pdf
Foster, H. 1988. Theoretical frequency curves and their application
to engineering problems. Trans. Am. Soc. Civ. Eng. 87 (2) 142-173.
Kroll, C.; Vogel, R. 2002. The probability distribution of low
streamflow series in the Unit United States. Journal of Hydrologic
Engineering. EEUU. ASCE, 7(2), 137-146.
Linsley, R.; Kohler, M.; Paulus, J. 1988. Hidrologa para ingenieros. 2
ed. Mxico. Editorial McGraw-Hill Interamericana S.A. 386 p.
Llamas. 1993. Hidrologa General. Edicin espaola. Servicio
Editorial Universidad del Pas Vasco. 635 p.
Miller N., Bashford K. ,Strem E. 2003. Potential Impacts of Climate
Change on California hydrology Journal of the American Water
Resources Association 39 (4), 771784. Consultado 13 junio 2008.
Disponible en base de datos Dialnet.
Morales, C. M. 2005. Anlisis de las escorrentas mensuales y
anuales de la cuenca del Lontu y la potencial influencia glaciar en la
produccin de agua. Talca, Chile. Universidad de Talca, Facultad de
Ciencias Forestales. 127 p.

Muoz, M.F. 2004. Anlisis de algunas de las variables hidrolgicas y

su ajuste a funciones de distribucin de probabilidad, en tres
cuencas de la Regin del Maule. Talca, Chile. Universidad de Talca,
Facultad de Ciencias Forestales. 86 p.
Ollero, A.1996. El curso medio del Ebro: geomorfologa fluvial,
ecogeografa y riesgos. (en lnea). Consultado 26 Jun. 2008.
Disponible
en
http://www.ingeba.euskalnet.net/lurralde/lurranet/lur20/
200oller/ollero20.htm
noz, B.; Bayazit, M. T. 2001. Effect of the occurrence process of the
peaks over threshold on the flood estimates. Journal of hydrology.
224 (1-2) 86-96.
Consultado 06 Abril 2008. Disponible en base de datos Sicence
Direct.
Paoli C.; Cacik P.; Bolzicco J. 1998. Anlisis de riesgo conjunto en la
determinacin de crecidas de proyectos de rgimenes complejos.
(en lnea). Consultado 24 nov. 2007. Disponible en
https://upcommons.upc.edu/revistes/bitstream/2099/2986/1/52art
i cle.pdf
Pizarro, R.; Gonzlez, P.; Wittersheim, M.; Saavedra, J.; Soto, C.
1993.
Elementos tcnicos de Hidrologa III. Proyecto regional sobre el uso
y conservacin del recurso hdrico en reas de Amrica Latina y el
Caribe. Talca, Chile. Editorial Universidad de Talca. 136 p.

Pizarro, R.; Novoa, P. 1986. Elementos tcnicos de Hidrologa I.

Instructivos tcnicos. La Serena, Chile. Corporacin Nacional
Forestal, Ministerio de Agricultura. 57 p.
Pizarro, R.; Morales, C; Moran, L.; Vargas, J.; Sanguesa, C.; Godoy, C.;
2006. Informe Pas. Estado del Medio Ambiente en Chile 2005.
Santiago. Chile. Captulo 2. Aguas Continentales. Instituto de
Asuntos Pblicos, Universidad de Chile. Editorial LOM. 371 p.
Sullivan, A.; Ternan, J.; Williams, A. Land use change and
hydrological response in the Camel catchment, Cornwall. Applied
Geography. 24 (2) 119-137. Consultado 06 diciembre 2007.
Disponible en base de datos Science Direct.
Varas, E.; Bois, P. 1998. Hidrologa probabilstica. Santiago. Chile.
Editorial Universidad Catlica de Chile. 156 p.
Waylen, P.; Woo , M. Prediction of Annual Floods Generated by
Mixed Processes. Water Resources Research. 18 (4) 1283-1286.
Consultado 03 Junio 2008. Disponible en base de datos CSA.
Yue, S.; Ouarda, T.; Bobe, B.; 2006, Legendre; P.; Bruneau, P. The
Gumbel mixed model for flood frequency analysis. Journal of
hydrology. 226 (1-2) 88-100. Consultado 06 diciembre 2007.
Disponible en base de datos Sicence Direct.